Pierluigi RITROVATO | Macchine Intelligenti per il Riconoscimento di Video, Immagini e Audio

Mission

Il gruppo di ricerca MIVIA coordinato dal prof. Mario Vento svolge attività di ricerca da oltre 20 anni nei settori della Pattern Recognition e della Computer Vision. La ricerca è volta a fornire contributi originali sia nel contesto della ricerca teorica che applicata. Nel primo caso sono da evidenziare i contributi forniti nella definizione di algoritmi per il matching di grafi, di tecniche di combinazione di sistemi di classificazione, etc. Dal punto di vista applicativo gli interessi del gruppo di ricerca sono rivolti alla analisi di flussi video ed audio in tempo reale per applicazioni di situation awareness con particolare riferimento ai contesti della video ed audio sorveglianza intelligente, al monitoraggio del traffico, alla human behavior analysis. Un altro importante ambito di ricerca per il gruppo è rappresentato dalle applicazioni biomedicali per la realizzazione di sistemi di diagnosi assistita al calcolatore: le applicazioni più rilevanti sono rappresentate dalla analisi di immagini in immunofluorescenza, RMN e radiografiche.

Analisi video in tempo reale in contesti di video sorveglianza e monitoraggio del traffico

L'analisi video in tempo reale è un settore in ampio sviluppo nella comunità scientifica dato il suo risvolto pratico in molti ambiti applicativi: alcuni degli ambiti di maggiore interesse sono la video sorveglianza, il monitoraggio del traffico e la navigazione autonoma.

Il gruppo è attivo da diversi anni nel settore dell'analisi video in tempo reale ed ha già sviluppato metodi innovativi per l'automatizzazione dei processi di riconoscimento di eventi su dati video prelevati in tempo reale. In particolare ci si è interessati allo sviluppo di tecniche di tracking di oggetti in movimento in sequenze video. Questi problemi si dividono in due fasi: la prima fase ha lo scopo di separare, per ogni frame della sequenza video, la parte statica del frame (detta background) dalla parte dinamica (gli oggetti in movimento nella scena); la seconda fase si occupa di tracciare le traiettorie degli oggetti riconosciuti nella prima fase sulla sequenza di frame in cui l'oggetto è presente nella scena. Il problema del riconoscimento di oggetti in movimento non è di semplice soluzione nei casi più generali. In letteratura sono presenti soluzioni differenti le cui prestazioni, in genere, sono direttamente proporzionali alla complessità computazionale e quindi al tempo necessario per l'elaborazione del singolo frame. Uno dei problemi principali delle tecniche di object detection è la separazione semantica di più oggetti quando questi formano una occlusione. Per occlusione si intende la sovrapposizione sul piano immagine, parziale o addirittura totale, di due o più oggetti per un tempo più o meno lungo. Il problema è rilevante nei sistemi di video sorveglianza che utilizzano un'unica telecamera fissa, tali da dover inseguire più oggetti simultaneamente mantenendo l'identità di ognuno di essi durante il tracking. È chiaro che tale problema è tanto più sentito quanto più la scena è affollata (cluttered scene) di oggetti di natura e dimensioni diverse (ad es. un incrocio stradale con veicoli e pedoni). In letteratura difficilmente si riesce a risolvere questo tipo di problematica a questo livello in quanto non si hanno le informazioni necessarie tali da risolvere le eventuali ambiguità.

Nel corso degli anni si sono già sviluppati una serie di algoritmi che affrontano il problema delle occlusioni attraverso tecniche di risoluzione strutturali (basate su piramidi di grafo). Questi algoritmi si sono rivelati molto efficienti quando la percentuale di occlusione degli oggetti è bassa rispetto all'intera sequenza video, ma non è molto robusto in presenza di scene molto affollate.

Il gruppo intende continuare la sua attività in questo dominio di ricerca.

In particolare una prima linea di ricerca sarà quella di studiare e analizzare gli algoritmi di detection degli oggetti per caratterizzare sperimentalmente, su un ampio set di filmati, lo stato dell'arte della letteratura scientifica in questo ambito. Le attività da svolgere per questa linea di ricerca saranno: ground truthing su filmati reali acquisiti dal gruppo, ricerca di database standard su cui sperimentare i diversi algoritmi, implementazione (o ricerca delle implementazioni) dei migliori algoritmi presenti in letteratura, definizione e valutazione di indici sperimentali e analisi dettagliata dei risultati ottenuti. Tutta l'attività avrà l'obiettivo di progettare e implementare nuovi e più efficienti algoritmi per l'object detection.

Un'altra linea di ricerca è quella di sviluppare algoritmi di detection model-based. In letteratura spesso la detection degli oggetti in movimento avviene senza sfruttare una serie di informazioni che si hanno sul video (per esempio, presenza di sole persone nella scena). Queste informazioni possono essere utili nella fase di detection degli oggetti; in particolare è possibile pensare di definire una serie di modelli degli oggetti di interesse e ricercare all'interno della scena oggetti che siano simili ai modelli definiti. In questo modo è possibile superare una serie di problemi noti nell'ambito della ricerca sull'object detection.
Infine una ulteriore linea di ricerca deriva dalla considerazione che nell'ultimo periodo nell'ambito della comunità scientifica sulla videosorveglianza sta riscuotendo un elevato interesse la problematica di riconoscere l'identità di un oggetto (in particolare una persona) anche se essa entra ed esce dalla scena inquadrata. In questo ambito il gruppo sta avviando una attività di progettazione e implementazione di algoritmi innovativi, basati sui modelli di apparenza, capaci di riconoscere, ovvero mantenere l'identità di persone che escono dalla scena e poi vi rientrano interagendo anche in maniera complessa con altre persone.

Analisi di immagini biomediche

Già da molti anni si riscontra un notevole interesse verso la applicazione di tecniche di Pattern Recognition per l'analisi di immagini biomediche. Alcuni esempi di applicazioni di diagnosi assistita al calcolatore che ben rappresentano lo sviluppo raggiunto dalle tecniche di Pattern Recognition sono il riconoscimento e la classificazione delle microcalcificazioni nelle immagini mammografiche, il conteggio e l'identificazione delle cellule bianche del midollo osseo per la valutazione di disordini ematici, l'identificazione della forma e delle caratteristiche cromatiche degli istociti nel midollo osseo, che nel caso di iperproduzione causano la distruzione delle cellule sane, il riconoscimento e l'analisi quantitativa dei linfociti presenti nel tessuto tramite citometria di flusso in fluorescenza, la classificazione della forma e delle colore delle cellule ematiche, identificazione e classificazione di erosioni ossee.

Nell'ambito della analisi di immagini biomediche il gruppo di ricerca ha già operato con riferimento alla analisi di immagini mammografiche. Il cancro alla mammella è il tumore più diagnosticato nelle donne. Negli U.S.A. sono stati stimati 203.500 nuovi casi e 39.600 morti per tale malattia nel 2002. La mortalità per cancro alla mammella, negli Stati Uniti, è seconda solo a quello di cancro ai polmoni. Nella letteratura medica è opinione comune che quanto prima il tumore è scoperto e curato, tanto migliore sarà la prognosi. Purtroppo, le relazioni tra agenti esterni e tumore al seno non sono ben definiti; l'età resta l'unico fattore di rischio ben relazionato al cancro.
Grazie all'esperienza maturata dall'analisi delle immagini mammografiche il gruppo di ricerca ha iniziato a lavorare nell'ambito dell'interpretazione di immagini tridimensionali quali TAC e RMI. Immagini di questo tipo possono essere viste come una serie di matrici transassiali (slice) allineate perpendicolarmente all'asse definito dalla spina dorsale del paziente. Ogni slice rappresenta una fetta del corpo del paziente di un determinato spessore (tipicamente 0.33-2 mm).
Per la maggior parte dei sistemi di acquisizione la risoluzione ottenibile per ciascuna matrice varia da 64x64 a 2048x2048 pixel per le TAC mentre si arriva a risoluzioni di 512x512 pixel per le RMI. La dimensione di ciascun pixel può variare nell'intervallo 0.5-2 mm ed è omogenea nel piano transassiale. Il numero di slice varia in funzione della distanza tra le sezioni e dell'estensione dell'organo da esaminare. Ciascun pixel, idealmente, rappresenta le caratteristiche di assorbimento (opacità) di un piccolo volume del corpo umano individuato dai limiti fisici del pixel stesso. Al momento si è definita una misura standard di opacità dei tessuti (nota come Hounsfield Unit o HU) che ha come riferimento l'acqua (0 HU) e vale, ad esempio, -1000 HU per l'aria e sopra 200 HU per le ossa. La prima fase di trattamento delle immagini consiste, come generalmente avviene in caso di post-processing di immagini digitali, nella eliminazione, per quanto possibile, dalle immagini del rumore introdotto dai macchinari di acquisizione. Nel caso di immagini biomediche si ha un ulteriore problema dipendente dal fatto che il soggetto in esame è un organismo vivente, e quindi durante il periodo di acquisizione, modifica la sua forma. Una volta che l'insieme di dati è stato ripulito e riallineato e quindi le varie slice sono state "omogeneizzate" tra loro, si passa alla seconda fase del processo che comporta ancora l'applicazione di tecniche di elaborazione e di classificazione dell'immagine.
Tali immagini vengono utilizzate in diversi ambiti clinici ed in particolare per analisi reumatologiche quali erosioni ossee. I problemi reumatici sono una grosso motivo di abbassamento della qualità della vita, si pensi che soggetti colpiti da forti erosioni ossee al polso possono perdere la capacità di stringere oggetti come ad esempio una penna o una forchetta. Ogni osso è circondato da un tessuto molle chiamato corticale, in assenza di anomalie tale tessuto ha dimensioni trascurabili rispetto alla dimensione dell'osso. Nelle immagini RMI l'osso appare molto opaco (di colore tendente al bianco) ed attorno è avvolto da uno strato di colore nero molto sottile (la corticale). L'erosione viene percepita visivamente quando la corticale diventa di dimensioni maggiori estendendosi nella direzione dell'osso. L'erosione se individuata per tempo può, con delle opportune metodologie cliniche, essere arrestata dando al paziente la possibilità di avere una buona qualità di vita.
I medici ad oggi analizzano in gran parte i vari tessuti di interesse su diversi piani (analizzando le singole slice) immaginando un modello tridimensionale scorrendo tra le immagini a profondità diverse. A causa della stanchezza o di leggere disattenzioni questa astrazione può essere fallace e quindi in fase di diagnosi il clinico potrebbe commettere degli errori. È questo, il motivo che spinge i reumatologi a preferire una ricostruzione tridimensionale del tessuto di interesse. Inoltre applicando opportune tecniche di pattern recognition è possibile interpretare e classificare automaticamente situazioni anomale e non.
Una visualizzazione di un volume 3D rispetto ad una serie di immagini risulta utile anche ai fini dell'apprendimento; gli studenti, infatti, potrebbero vedere un tessuto per intero e potrebbero per esempio simulare degli interventi virtuali. Questi modelli tridimensionali potrebbero essere messi anche a disposizione della comunità scientifica medica per confronti sulle diagnosi nei casi più complessi ed ancora per l'apprendimento degli specializzandi.
Il gruppo di ricerca ha studiato e implementato gli algoritmi di ricostruzione tridimensionale più citati ed evoluti della letteratura e si è realizzata un'analisi sperimentale per comprenderne a fondo le peculiarità.
Per ottenere una buona qualità di ricostruzione tridimensionale nonché per l'interpretazione e la classificazione dei vari tessuti risulta fondamentale una eccellente fase di segmentazione. Nel caso della reumatologia ed in particolare del riconoscimento e della classificazione delle erosioni ossee va segmentato inizialmente l'osso, la corticale ed il tessuto eroso. L'obiettivo della ricerca in questo settore è la definizione, implementazione e sperimentazione di un metodo di individuazione e classificazione di erosioni ossee per le ossa del polso. Il sistema da implementare sarà strutturato in diverse parti:

• Segmentazione delle ossa
• Segmentazione della corticale
• Calcolo delle caratteristiche
• Classificazione delle erosioni
• Ricostruzione tridimensionale

Durante l'anno corrente il gruppo di ricerca ha realizzato un algoritmo per la segmentazione dei tessuti ossei ed un algoritmo per la segmentazione della corticale. L'obiettivo del secondo algoritmo era quello di individuare le erosioni ed il tessuto fisiologico che contorna l'osso (la corticale). L'analisi sperimentale relativa al primo algoritmo ha dato dei buoni risultati, mentre ancora resta da migliorare la segmentazione della corticale. Si è inoltre migliorato l'algoritmo di segmentazione dei tessuti ossei superando i classici problemi degli algoritmi di segmentazione level set. Per il prossimo anno si vuole realizzare un algoritmo di segmentazione 3D basato su un modello al fine di perseguire 2 obiettivi.

• Miglioramento ulteriore dei risultati della segmentazione classica
• Ricostruzione della forma del tessuto osseo originale al fine di individuare le anomalie intervenute sui tessuti di interesse

Per l'attività di ricerca proposta sarà necessario condurre un'adeguata campagna di sperimentazione proseguendo nell'attività di acquisizione di un significativo insieme di immagini a risonanza magnetica con relativa ground-truth.

Per l'anno prossimo si vuole inoltre iniziare uno studio relativo alle immagini ad immunofluorescenza indiretta, che vengono usate al fine di individuare malattie autoimmuni. La fluorescenza indiretta fa sì che cellule eventualmente affette da particolari malattie vengano vengono miscelate con un mezzo di contrasto che rende la loro apparenza visiva di colore verde fluorescente. Sulla base della quantità di fluorescenza acquisita e dei pattern visibili è possibile capire la tipologia di malattia e il grado della stessa.
Per questo tipo di attività risultano fondamentali 2 viste, una globale per la valutazione delle fluorescenza complessiva acquisita ed una invece locale relativa alla segmentazione dei singoli pattern.
A tal proposito quindi si attiverà una prima fase di acquisizione delle immagini ed un successivo studio supportato da una componente medica per la classificazione dei tipi di malattie da individuare.
Allo scopo si investigherà la letteratura scientifica per valutare l'esistenza di tecniche applicate allo stesso dominio applicativo, dopo di che si passerà alla realizzazione del sistema complessivo che sarà composto dai seguenti moduli

• Modulo di segmentazione delle cellule
• Modulo di estrazione delle caratteristiche globali dell'immagine
• Modulo di riconoscimento di pattern nell'immagine
• Modulo di classificazione delle immagini

Al solito si rende necessaria un'ampia attività sperimentale per la validazione dei risultati.

Tecniche di Pattern Recognition basate su rappresentazioni strutturali

L'attività di ricerca in tale ambito riguarda lo sviluppo di tecniche innovative per la Pattern Recognition basate su rappresentazioni strutturali. In particolare, è prevista la definizione e la valutazione sperimentale di tecniche di learning simbolico basato su grafo.

I grafi si prestano bene a rappresentare immagini e video. Un'immagine può essere rappresentata attraverso un grafo i cui nodi rappresentano regioni dell'immagine ottenute attraverso un processo di segmentazione, e gli archi rappresentano relazioni spaziali tra queste regioni. L'aggiunta di archi per rappresentare relazioni temporali consente inoltre l'estensione di questo tipo di rappresentazione dalle immagini statiche ai filmati.
In questo modo i problemi di pattern recognition sulle immagini si riconducono a problemi su grafo (graph matching, graph learning, etc.).
Il learning simbolico può essere formulato nel seguente modo: dato un insieme opportunamente scelto di dati di ingresso di cui sia nota la classe (ed eventualmente altre informazioni), determinare un insieme ottimale di descrizioni prototipali di ciascuna classe. Il vantaggio che rende interessante questo approccio risiede nel fatto che le descrizioni ottenute sono esplicite. Inoltre, poiché devono essere quanto più possibile generali, esse sono anche estremamente compatte, contenendo solo le informazioni minime necessarie per coprire tutti i campioni di una classe e mantenerli distinti da quelli delle altre classi. Grazie a queste proprietà, l'utente può facilmente ricavare conoscenza sul dominio attraverso l'esame dei prototipi generati dal sistema, che risultano semplici, comprensibili ed efficaci. Di conseguenza l'utente può validare tali prototipi, o migliorarli, o infine comprendere quale sia il problema nel caso di errori di classificazione.
Negli ultimi anni il gruppi di ricerca ha già sviluppato un metodo per l'apprendimento di forme descritte strutturalmente mediante grafi. Tale metodo affronta il problema direttamente nello spazio dei grafi, definendo appropriati operatori di inferenza, come la generalizzazione e la specializzazione di grafi, e produce prototipi generali e coerenti con un costo computazionale inferiore rispetto ad altri sistemi di apprendimento simbolico. La difficoltà di definire algoritmi efficaci per affrontare questo compito è, però, così elevata che il problema è considerato tuttora aperto, e il metodo sviluppato contiene ancora diversi gradi di miglioramento. Sulla base di questa esperienza si intende definire, implementare e verificare nuovi metodi per il graph learning, efficaci soprattutto negli ambiti applicativi dell'image and video processing.
Un'altra attività che è stata avviata dal gruppo è quella del clustering di grafi. Molte applicazioni in Pattern Recognition coinvolgono il problema del clustering dei dati (cioè raggruppamento dei campioni in classi non note nel numero e nella forma). Una particolare famiglia di algoritmi di clustering è quella basata sulla teoria dei grafi. Gli algoritmi di questa famiglia rappresentano i dati attraverso grafi non direzionali. Gli algoritmi basati su questa definizione sono capaci di riconoscere cluster di varie forme e dimensioni (al contrario di altri metodi che assumono, per esempio, una distribuzione sferica o Gaussiana dei clusters). Inoltre la clusterizzazione basata su grafo riesce facilmente ad eliminare i cluster che sono composti da un solo esempio (dovuti, per esempio, a rumore). La ricerca in questo campo è focalizzata sullo sviluppo di algoritmi efficienti di graph clustering e sulla valutazione delle performance e delle condizioni nelle quali tali algoritmi possono essere usati.

Didattica

Il laboratorio è principalmente utilizzato dai tesisti provenienti dai corsi di laurea di Ingegneria Informatica di I e II livello, impegnati nello sviluppo di modelli e applicazioni che rientrano nei differenti ambiti di ricerca svolti dal gruppo di ricerca MIVIA: il riconoscimento e l'interpretazione di immagini biomediche, l'analisi video in tempo reale in contesti di video sorveglianza e monitoraggio del traffico o ancora le tecniche di Pattern Recognition basate su rappresentazioni strutturali.

Strumentazione del MIVIA

Mobile Robot P3-DX

Descrizione: robot mobile, dotato di ruote della dimensione di 19cm, scheletro in alluminio e 8 sensori ultrasuoni.
Impiego principale: applicazioni per la localizzazione del suono, il riconoscimento di oggetti e/o eventi, pianificazione del movimento, analisi di ambienti dinamici, cooperazione in ambiente multiagente.

Mobile Robot P3-DX

Descrizione: robot mobile, dotato di ruote della dimensione di 19cm, scheletro in alluminio e 8 sensori ultrasuoni.
Impiego principale: applicazioni per la localizzazione del suono, il riconoscimento di oggetti e/o eventi, pianificazione del movimento, analisi di ambienti dinamici, cooperazione in ambiente multiagente.

Axis PTZ 215

Descrizione: telecamera PTZ, dotata di uno zoom ottico da 12x e uno zoom digitale da 4x, per un zoom complessivo da 48x; presenta funzioni per le riprese diurne e notturne con filtro IR rimovibile;
Impiego principale: utilizzata per la ricerca di metodi multicamera per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 803,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi:01.04.08-Impegno 1694

Axis PTZ 215

Descrizione: telecamera PTZ, dotata di uno zoom ottico da 12x e uno zoom digitale da 4x, per un zoom complessivo da 48x; presenta funzioni per le riprese diurne e notturne con filtro IR rimovibile;
Impiego principale: utilizzata per la ricerca di metodi multicamera per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Localizzazione(solo se diversa dal laboratorio):
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 803,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi:01.04.08-Impegno 1694

Axis PTZ 215

Descrizione: telecamera PTZ, dotata di uno zoom ottico da 12x e uno zoom digitale da 4x, per un zoom complessivo da 48x; presenta funzioni per le riprese diurne e notturne con filtro IR rimovibile;
Impiego principale: utilizzata per la ricerca di metodi multicamera per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 860,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi:02.04.01-Impegno 899

Gruppo Stativo (WS01-WS02-SV06)

Descrizione: gruppo stativo Colonna motorizzata altezza 150cm - Tavolo in metallo - Base in metallo - Set di illuminazione Universal - Coppia di telai Portafililtri - Varilight 2000TV - Pianetto di servizio 32x28 cm - 4 lampade 250W
Impiego principale: Acquisizione ed elaborazione di immagini ad alta risoluzione.
Anno di acquisto: 2003

Micro Client Kontron M@C84

Descrizione: human machine interface touch screen con display 8.4" TFT, risoluzione 800x600.
Impiego principale: realizzazione di applicazioni di domotica in ambienti industriali.
Anno di acquisto: 2008

Axis P1347

Descrizione: telecamera 5 megapixel, dotata di controllo P-Iris; possibilità di gestire più flussi video H.264.
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 1268,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi: 01.04.08 - Impegno 1694

Sony Color HRT710 DNR

Descrizione: telecamera alta risoluzione, terza generazione DSP chip, 1/3" CCD SONY SUPER HAD, altissima risoluzione 560 linee tv.
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 163,80 €
Tasse di acquisto (ad es., IVA): 20 %
Provenienza dei fondi: 01.07.01

Sony Color HRT710 DNR

Descrizione: telecamera alta risoluzione, terza generazione DSP chip, 1/3" CCD SONY SUPER HAD, altissima risoluzione 560 linee tv.
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 163,80 €
Tasse di acquisto (ad es., IVA): 20 %
Provenienza dei fondi: 01.07.01

JAI CV-A50

Descrizione: Compact Industrial Monochrome CCD Camera, 752 x 582, High S/N ratio up to 60 dB
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente
Anno di acquisto: 2004
Provenienza dei fondi: Centro regionale di competenza - Trasporti

JAI CV-A50

Descrizione: Compact Industrial Monochrome CCD Camera, 752 x 582, High S/N ratio up to 60 dB
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente
Anno di acquisto: 2004
Provenienza dei fondi: Centro regionale di competenza - Trasporti

Allied Vision Technologies Dolphin F-201C

Descrizione: telecamera IEEE1394 Camera, color, 1628x1236, 12.75fps, Progressive area scan
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2004
Provenienza dei fondi: Centro regionale di competenza - Trasporti

JAI CV-M2

Descrizione: telecamera Digital Monochrome 2 Megapixel, Progressive Scan Camera, 1600 x 1200, Iris control
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2004
Provenienza dei fondi: Centro regionale di competenza - Trasporti

Telecamera (WS02)

Descrizione: telecamera Photonfocus MV-D1024-160: B/N - Numero di pixel 1024x1024 - Max frame rate 150 fps - Interfaccia Camera Link
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2004
Provenienza dei fondi: Centro eccellenza

Axis Q1910-E

Descrizione: Thermal Network Camera, permette l'acquisizione di immagini termiche per la sorveglianza con tecnologia IP, Power over Ethernet, gestisce flussi H.264 multipli con tavolozze individuali.
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 2199,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi: 01.04.08 - Impegno 1694

Nuvision 60GX STEREOSCOPIC WIRELESS

Descrizione: IR Emitter for Stereo-ready PCs & Workstations, completo di 3 occhialini LCD
Impiego principale: rendering 3D per elaborazioni di immagini biomediche.
Anno di acquisto: 2006

Arecont Vision AV8365DN

Descrizione: videocamera omnidirezionale, 8 megapixel H.264 Day/Night, 360° Panoramic IP-camera;
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 1625,00 €
Tasse di acquisto (ad es., IVA): 20 %
Provenienza dei fondi: 01.04.08 - Impegno 1694

Shure SM63

Descrizione: microfono omnidirezionale, 80 to 20,000 Hz frequency responce.
Impiego principale: ricerche in ambito audiosorveglianza intelligente, per riconoscimento di eventi violenti.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 175,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi:01.08.04 - Impegno 1700

MOBOTIX Q24M

Descrizione: videocamera 3.0 megapixel hemispheric, IP security camera con 360 degree view, Power over Ethernet, virtual PTZ;
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 695,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi: 01.08.04 - Impegno 1697

Mini Green PC serie I20

Descrizione: Mini PC Cloud Computer HD-I20 1Gb Ram 20Gb HD Inctel Technology;
Impiego principale: realizzazione di sistemi embedded per applicazioni di video e audio sorveglianza intelligente.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 145,00 €
Tasse di acquisto (ad es., IVA): 30,45 €
Provenienza dei fondi: Laboratori didattici facoltà 2010

Fit PC 2i

Descrizione: Mini PC 2Gb Ram DDR2, CPU Intel Atom Z550 2GHz;
Impiego principale: realizzazione di sistemi embedded per applicazioni di video e audio sorveglianza intelligente.
Anno di acquisto: 2011

Bowers & Wilkins CM1

Descrizione: Casse a 2 vie, bass reflex con tecnologia "Flow Port System". Tweeter da 25mm a cupola metallica con caricamento a condotto Nautilus. Woofer/midrange da 130mm in Kevlar. 30-100W.
Impiego principale: ricerche in ambito audiosorveglianza intelligente, per riconoscimento di eventi violenti.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 930,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi: 01.04.08 - Impegno 1699

Axis P8221

Descrizione: Network I/O Audio Module, dotato di 8 porte I/O digitali configurabili, uscita per altoparlanti, supporto per microfoni bilanciati, power over Ethernet
Impiego principale: ricerche in ambito audiosorveglianza intelligente, per riconoscimento di eventi violenti.
Anno di acquisto: 2011
Valore all'acquisto tasse escluse: 255,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi: 02.03.27 - Impegno 397 - Affidabilità nella classificazione statistica

Alesis Multimix 8 usb fix

Descrizione: mixer 8 channel, con usb recording interface.
Impiego principale: ricerche in ambito audiosorveglianza intelligente, per riconoscimento di eventi violenti.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 208,33 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi:01.08.04 - Impegno 1700

Marantz pm 7004

Descrizione: Amplificatore stereo integrato. Potenza 2x70 W su 8 Ohm RMS. HDAM-SA3. Ingresso phono MM. Diffusore A/B con terminali per diffusori originali di Marantz. Bus remoto. RC.
Impiego principale: ricerche in ambito audiosorveglianza intelligente, per riconoscimento di eventi violenti.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 575,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi:01.08.04 - Impegno 1700

HP TFT7600

Descrizione: Rack tastiera con workstation, TFT 17''.
Impiego principale: storage dati.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 1385,00 €
Tasse di acquisto (ad es., IVA): 20%

Comitec Xeon X3440

Descrizione: PC Rack, RAM 12GB, 2HDx2TB.
Impiego principale: storage dati.
Anno di acquisto: 2010
Valore all'acquisto tasse escluse: 1590,00 €
Tasse di acquisto (ad es., IVA): 20%

EUROCRANES 550

Descrizione: Treppiedi Standard Tripod Light Series, 17 inch Monitor, Lion battery for monitor;
Impiego principale: utilizzata per la ricerca di metodi per inseguimento di oggetti e/o analisi del comportamento in ambito videosorveglianza intelligente.
Anno di acquisto: 2011
Valore all'acquisto tasse escluse: 1050,00 €
Tasse di acquisto (ad es., IVA): 20%
Provenienza dei fondi: 02.03.27 - Impegno 254 - Sviluppo di un sistema di analisi video in tempo reale per applicazioni di monitoraggio del traffico